页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Chain-of-Thought 训练」找到 38 条内容
按专题浏览 →匹配正文：答案要点 能清晰区分Agent与传统LLM的本质区别（自主决策 vs 被动响应） 阐述ReAct/CoT等推理范式及其作用 说明工具调用（Function Calling）的实现机制 列举至少2个典型应用场景并分析Agent的核心价值 提及多Agent架构或当前主流框架（如LangChain、AutoGPT等） 核心概念 AI Agent是以大模型为"大脑"的自主智能体，与传统LLM的关键区别在于： 特性 传统LLM AI Agent 交互模式 单次问答，被动响应 多轮迭代，…
匹配正文：…织循环，而非先想后做或先做后想 三个关键组件：Thought（推理）、Action（行动）、Observation（观察） 相比纯CoT或纯Action，ReAct能处理需要外部信息动态获取的任务 通过少样本示例即可激活，无需额外训练 在HotpotQA、WebShop等任务中验证有效 核心思想 ReAct = Reasoning + Acting，打破"先推理后行动"或"只行动不推理"的局限，让LLM在推理→行动→观察→再推理的循环中动态解决复杂任务。 工作流程 Thoug…
匹配正文：…于经验规则构造离散文本模板 Few-shot：在Prompt中嵌入示例，引导模型模仿输出格式 Chain-of-Thought (CoT)：显式写出推理步骤，激发多步推理能力 角色设定与指令分解：通过System Message限定角色，复杂任务拆分子步骤 Self-Consistency：多路径采样投票，提升答案稳定性 特点：零成本、即时生效，但依赖人工经验，迁移性差 二、自动化优化策略 方法 类型 核心机制 代表工作 Prompt Tuning 连续优化 冻结模型，仅训练…
学习内容与项目面试，在同一条路上。